提問二

無人車需要學習，那語義分割技術是否也在不斷的進化？

趣味解讀

牙牙學語時，嬰兒只能分辨顏色、識別簡單特征的物品，隨著年齡的增長，接觸了更多的事物，認識除顏色外，物品還有更多的區別，比如材質、形狀等，能通過多個特征判斷一個物品。語義分割亦是如此，傳統的語義分割感受的特征比較少，而隨著卷積神經網絡技術的發展，無人車通過深度學習，能識別更多的特征，語義分割的結果也更加精準。

專業解讀

圖像的語義分割有多種手段。傳統的語義分割技術有基于統計學方法的語義分割和基于幾何學方法的語義分割等。隨著深度學習（Deep Learning）技術的發展，基于深度學習尤其是基于卷積神經網絡（Convolutional Neural Networks, CNN）的圖像語義分割得到了飛速的發展。與前幾種方法相比，基于深度學習的語義分割可以自動地學習圖像的特征，大大提升了圖像語義分割的精確度，降低了學界和工業界使用語義分割技術的門檻。

成熟

提問三

深度學習的過程是怎樣的？圖像語義分割技術如何運用深度學習提升精確度？

趣味解讀

人類在學習的過程中，由于經驗的不足，會因一些接近的相似項導致對結果判斷有誤差，無人車也是一樣，因此在解讀特征的過程中，需要將事物進行多角度多層次的剖析，一層一層的分解，最后再自我消化，重新進行解讀，得到對事物的判斷和理解。

專業解讀

深度學習是深度神經網絡算法，簡單來講，就是利用人工搭建的神經元系統形成的網絡對特征進行學習。卷積神經網絡是目前深度學習技術領域中非常具有代表性的神經網絡之一。卷積神經網絡的核心思想是加權疊加，這使得圖像可通過卷積神經網絡進行更加方便的處理。如下圖所示，原有的圖片通過卷積神經網絡，特征被逐層提取，經過卷積、池化、反卷積等一系列處理，最終得到了最右邊的預測圖像。

有沒有感覺十分神奇？你眼前不再是冰冷的引腳排線和悄無聲息穿梭的電流，而是一個同經歷了幾萬年漫長進化過程的人類一樣具有理解圖像能力的智能體，是一個每秒可進行上億次運算并對看到的世界做出解釋的無人車。

圖像語義分割的意義遠不只是吸引你的眼球，它在自動駕駛、醫學圖像等領域也有著重要的應用潛力。如上圖所示的圖片中，車輛在道路上如能對攝像頭采集的圖片或視頻進行精確且快速的語義理解，就能在很大程度上對障礙躲避、路徑規劃等做出指導，這為自動駕駛提供了成本相對較低、部署較簡易的信息補充。一清創新應用了當前最先進的語義分割技術，實時性、準確性等指標均居于業界前沿，穩定精確的語義分割結果為自動駕駛提供了豐富可靠的數據支持。